更新 function.py

function.py

@@ -27,18 +27,18 @@ name = "章程鸿"
 
 # 这里写自己的代码实现
 import numpy as np
+from sklearn.preprocessing import StandardScaler
 
 def sigmoid(z):
     return 1 / (1 + np.exp(-z))
 
-def train_logreg(X, y, learning_rate=0.01, iterations=1000):
+def train_logreg(X, y, learning_rate=0.01, iterations=5000):
     """
-    对率回归训练函数。
+    逻辑回归训练函数。
 
     Args:
     - X (numpy array): 特征数据。
     - y (numpy array): 标签数据。
-    - other_params (str): 其它参数，可选设置。若需设置其它参数，必须设置其默认值，否则将**无法通过**自动评测，**成绩为零**。
 
     Returns:
     - numpy array: 训练得到的权重。
@@ -57,7 +57,7 @@ def train_logreg(X, y, learning_rate=0.01, iterations=1000):
 
 def predict_logreg(inX, weights):
     """
-    对率回归预测函数。
+    逻辑回归预测函数。
 
     Args:
     - inX (numpy array): 输入待分类的样本。
@@ -70,13 +70,12 @@ def predict_logreg(inX, weights):
     h = sigmoid(z)
     return 1 if h >= 0.5 else 0
 
-# 这里也写自己的代码实现
 def load_data(filepath):
     """
-    从文件中加载数据，若不自行正确实现，则无法通过评测，**不记录成绩**。
+    从文件中加载数据。
 
     Args:
-    - directory (str): 数据文件路径。
+    - filepath (str): 数据文件路径。
 
     Returns:
     - np.array: 特征数据。
@@ -86,20 +85,33 @@ def load_data(filepath):
     with open(filepath, 'r') as file:
         for line in file:
             # 清理无效数据
-            cleaned_line = line.strip().replace('?', '0')  # 将问号替换为0
+            cleaned_line = line.strip().replace('?', '0')  # 将问号替换为 0
             data.append([float(x) for x in cleaned_line.split()])  # 转换为浮点数
+
     data = np.array(data)
     X = data[:, :-1]
     y = data[:, -1]
     return X, y
+
 if __name__ == "__main__":
-    # 以下代码可用于测试，可自行随意修改
     # 加载训练集
     X_train, y_train = load_data("./data/horse-colic.data")
 
     # 加载测试集
     X_test, y_test = load_data("./data/horse-colic.test")
 
+    # 数据标准化
+    scaler = StandardScaler()
+    X_train = scaler.fit_transform(X_train)
+    X_test = scaler.transform(X_test)
+
+    # 训练逻辑回归模型
+    weights = train_logreg(X_train, y_train, learning_rate=0.005, iterations=5000)
+
+    # 测试单个数据
+    y_pred = predict_logreg(X_test[11], weights)
+    print(f"预测结果: {y_pred}, 实际结果: {y_test[11]}")
+
     # 训练对率回归模型
     weights = train_logreg(X_train, y_train, learning_rate=0.01, iterations=1000)